論文の概要: Urban precipitation downscaling using deep learning: a smart city
application over Austin, Texas, USA
- arxiv url: http://arxiv.org/abs/2209.06848v1
- Date: Mon, 15 Aug 2022 12:42:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-18 16:59:13.229453
- Title: Urban precipitation downscaling using deep learning: a smart city
application over Austin, Texas, USA
- Title(参考訳): 深層学習による都市降水量のスケールダウン - 米国テキサス州オースティンにおけるスマートシティ・アプリケーション
- Authors: Manmeet Singh, Nachiketa Acharya, Sajad Jamshidi, Junfeng Jiao,
Zong-Liang Yang, Marc Coudert, Zach Baumer and Dev Niyogi
- Abstract要約: 都市ダウンスケーリングは、粗い気候情報から都市規模の評価に知識を移すためのリンクである。
粗い(10km)衛星ベース(JAXA GsMAP)からの高分解能格子状降水物(300m)の開発について述べる。
この結果は,高解像度格子状降雨都市データセットの開発やスマートシティの今後の計画に影響を及ぼす。
- 参考スコア(独自算出の注目度): 0.11726720776908518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban downscaling is a link to transfer the knowledge from coarser climate
information to city scale assessments. These high-resolution assessments need
multiyear climatology of past data and future projections, which are complex
and computationally expensive to generate using traditional numerical weather
prediction models. The city of Austin, Texas, USA has seen tremendous growth in
the past decade. Systematic planning for the future requires the availability
of fine resolution city-scale datasets. In this study, we demonstrate a novel
approach generating a general purpose operator using deep learning to perform
urban downscaling. The algorithm employs an iterative super-resolution
convolutional neural network (Iterative SRCNN) over the city of Austin, Texas,
USA. We show the development of a high-resolution gridded precipitation product
(300 m) from a coarse (10 km) satellite-based product (JAXA GsMAP). High
resolution gridded datasets of precipitation offer insights into the spatial
distribution of heavy to low precipitation events in the past. The algorithm
shows improvement in the mean peak-signal-to-noise-ratio and mutual information
to generate high resolution gridded product of size 300 m X 300 m relative to
the cubic interpolation baseline. Our results have implications for developing
high-resolution gridded-precipitation urban datasets and the future planning of
smart cities for other cities and other climatic variables.
- Abstract(参考訳): 都市ダウンスケーリングは、粗い気候情報から都市規模の評価に知識を移すためのリンクである。
これらの高分解能評価には過去のデータと将来の予測の多年気候学が必要であり、従来の数値気象予測モデルを用いて生成するのは複雑で計算コストが高い。
米国テキサス州オースチン市は、過去10年で驚異的な成長を遂げています。
将来の体系的な計画には、詳細な都市規模のデータセットが必要である。
本研究では,深層学習を用いて都市ダウンスケーリングを行う汎用運用者を生成する新しい手法を提案する。
このアルゴリズムはテキサス州オースティン市に反復的超解像畳み込みニューラルネットワーク(Iterative SRCNN)を採用している。
粗い (10 km) 衛星ベースの製品 (jaxa gsmap) から, 高分解能の格子状降水生成物 (300 m) の開発を行った。
降水の高解像度グリッド化データセットは、過去の重雨から低降雨の空間分布に関する洞察を提供する。
このアルゴリズムは,立方体補間ベースラインに対して300m×300mの大きさの高分解能グリッド製品を生成するために,平均ピーク信号比と相互情報の改善を示す。
以上の結果は,高分解能グリッド予測都市データセットの開発や,他の都市や気候変数のためのスマートシティの将来計画に寄与する。
関連論文リスト
- Predicting Air Temperature from Volumetric Urban Morphology with Machine Learning [0.0]
本稿では,都市などの大規模データセットに対して,効率的にかつ高速に動作するVoxelにCityGMLデータを変換する手法を提案する。
複数の都市の3D都市データとそれに対応する気温データを用いて、機械学習モデルを開発する。
論文 参考訳(メタデータ) (2025-01-16T11:10:38Z) - AerialGo: Walking-through City View Generation from Aerial Perspectives [48.53976414257845]
AerialGoは、空中画像からリアルな街並みを生成するフレームワークである。
AerialGoは、アクセス可能な航空データに地上視合成を条件付けすることで、地上レベルの画像に固有のプライバシーリスクを回避できる。
実験により、AerialGoは地上レベルのリアリズムと構造的コヒーレンスを著しく向上させることが示された。
論文 参考訳(メタデータ) (2024-11-29T08:14:07Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳(メタデータ) (2024-08-20T13:45:49Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳(メタデータ) (2023-08-24T16:20:00Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - Predicting the traffic flux in the city of Valencia with Deep Learning [0.0]
都市内を流れる交通の流れに関する大量のデータにより、人工知能は、低エミッションゾーン政策に関連付けられているような排出削減対策を可能にするために、事前に十分なトラフィックフラックスを予測できるかどうかを検討する。
予測モデルを構築するには、世界で最も密集した都市であるバレンシア交通センサーシステムを使用します。
LSTMは, 実測データからパターンを抽出することにより, 交通フラックスの将来的な進化を予測することができることを示す。
論文 参考訳(メタデータ) (2022-10-04T14:19:06Z) - SensatUrban: Learning Semantics from Urban-Scale Photogrammetric Point
Clouds [52.624157840253204]
センサットウルバン(SensatUrban)は、イギリスの3都市から収集された7.6km2の30億点近くからなる、都市規模のUAV測光点クラウドデータセットである。
データセットの各ポイントは、粒度の細かいセマンティックアノテーションでラベル付けされ、その結果、既存の最大のフォトグラムポイントクラウドデータセットの3倍の大きさのデータセットが生成される。
論文 参考訳(メタデータ) (2022-01-12T14:48:11Z) - A Novel CNN-LSTM-based Approach to Predict Urban Expansion [1.2233362977312943]
時系列リモートセンシングデータは、幅広いアプリケーションで使用できる豊富な情報ソースを提供します。
本稿では,時系列衛星画像を用いた都市拡大予測の課題について論じる。
都市の拡大を予測するためのセマンティックイメージ分割に基づく新しい2ステップアプローチを提案する。
論文 参考訳(メタデータ) (2021-03-02T12:58:05Z) - Conditional Generative Adversarial Networks to Model Urban Outdoor Air
Pollution [0.8122270502556374]
本稿では, 所定の分類に従って, 合成二酸化窒素の日時系列を生成できるモデルを訓練することを提案する。
提案手法は, 計算時間削減を必要としながら, 高精度で多彩な毎日の汚染時系列を生成することができる。
論文 参考訳(メタデータ) (2020-10-05T18:01:10Z) - Towards Semantic Segmentation of Urban-Scale 3D Point Clouds: A Dataset,
Benchmarks and Challenges [52.624157840253204]
我々は、30億点近い注釈付きポイントを持つ都市規模の測光点クラウドデータセットを提示する。
私たちのデータセットは、イギリスの3つの都市からなり、都市の景観の約7.6km2をカバーしています。
我々は,データセット上での最先端アルゴリズムの性能を評価し,その結果を包括的に分析する。
論文 参考訳(メタデータ) (2020-09-07T14:47:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。